机器学习对图像引导介入中2D/3D配准的影响：系统综述与展望

基于图像的导航被广泛认为是微创手术的下一个前沿。人们相信，基于图像的导航将增加可重复、安全、高精度手术的可及性，因为其可以以可接受的代价与工作量完成。这是因为基于图像的技术避免了专用设备的需要，并无缝集成到当代工作流中。此外，预计基于图像的导航将在实现混合现实环境与自主机器人工作流中发挥重要作用。图像引导的一个关键组成部分是 2D/3D 配准，一种估计 3D 结构（如体数据或工具模型）与其 2D 图像（如透视或内窥镜）之间空间关系的技术。虽然基于图像的 2D/3D 配准是一项成熟技术，但其从实验室走向临床受到了诸多已知挑战的制约，包括优化目标的脆弱性、超参数选择与初始化、不一致或多物体相关的困难，以及有限的单视图性能。这些挑战至今持续存在的一个原因是，考虑到通用 2D/3D 配准问题的复杂性、可变性与高维性，解析解可能并不充分。近期基于机器学习解决成像问题的方法——而非指定所需的函数映射，而是使用高表达力参数模型对其进行逼近——为解决 2D/3D 配准中一些棘手挑战带来了希望。在本稿件中，我们综述了机器学习对 2D/3D 配准的影响，以系统总结这一新技术引入所带来的近期进展。基于这些见解，我们进而对最迫切的需求、重大开放问题与可能的后续步骤给出展望。